DBSCAN(Density-Based Spatial Clustering Of Applications With Noise):DBSCAN需要两个参数，扫描半径 (eps)和最小包含点数(minPts)。 任选一个未被标记的点开始，找出与其距离在eps之内(包括eps)的所有附近点。如果附近点的数量大于等于minPts，则当前点与其附近点形成一个簇，并且出发点被标记。 然后递归，以相同的方法处理该簇内所有未被标记的点，从而对簇进行扩展。如果附近点的数量小于minPts，则该点被标记，不作扩展。如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点，直到所有的点都被标记。
ISODATA(Iterative Selforganizing Data Analysis) :在k-均值算法的基础上，增加对聚类结果的合并和分裂两个操作，当聚类结果某一类中样本数太少，或两个类间的距离太近，或样本类别远大于设定类别数时，进行合并，当聚类结果某一类中样本数太多，或某个类内方差太大，或样本类别远小于设定类别数时，进行分裂。
K-Means :随机选取N个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。每分配一个样本，聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。
DIANA(Divisive Analysis):采用自顶向下的策略，最初将所有对象置于一个类中，然后根据某些准则将这些类别逐渐细分。细分过程反复进行直到类别达到预期的数目。
AGNES(Agglomerative Nesting):采用自底向上的策略，最初将每个对象作为一个类，然后根据某些准则将这些类别逐一合并。合并的过程反复进行直到类别达到预期的数目。
Data Set:对于机器学习领域来说，数据集的选择是至关重要的，一个数据集的好坏往往可以直接决定聚类结果，通常一个算法很难适用于所有的数据集。因此我们需要设计各种数据集，并且分析哪一种数据类型适合用哪一种算法，只有这样，在今后的使用中才能得心应手。
2019 年 3 月 27 日，ACM 宣布，深度学习三位大牛 Yoshua Bengio、Yann LeCun、Geoffrey Hinton 因“在概念和工程方面使深度神经网络成为计算的关键组成部分的突破”获得了 2018 年的图灵奖。近年来，深度学习方法一直是计算机视觉、语音识别、自然语言处理和机器人技术以及其他应用中惊人突破的原因。
2018 年 3 月 21 日，美国计算机协会（ACM）将2017年图灵奖授予斯坦福大学前校长约翰·轩尼诗（John L. Hennessy）和加州大学伯克利分校退休教授大卫·帕特森（David A. Patterson），以表彰他们开创了一种系统的、定量的方法来设计和评价计算机体系结构，并对RISC微处理器行业产生了持久的影响。